二次型最小化所展现的BP与Hopfield类型神经网络的学习同质性  

The Common Nature of Learning of the BP and Hopfield-type Neural Networks in the Minimization of Quadratic Functions

作　　者：张雨浓[1] 麦剑章[2] 肖秀春[1] 李展[1] 易称福[1] 

机构地区：[1]中山大学电子与通信工程系,广东广州510275 [2]中山大学软件学院,广东广州510275

出　　处：《自动化技术与应用》2008年第9期6-10,5,共6页Techniques of Automation and Applications

基　　金：国家自然科学基金(编号60775050);中山大学科研启动费;后备重点课题资助

摘　　要：本论文揭示,作为两种并行的神经计算模型,BP和Hopfield类型神经网络都可以有效地对二次型V(x)=xTPx/2+q Tx实现最小化求解。而且,尽管BP和Hopfield类型神经网络在网络设计思想和网络结构上呈现出很大的差异,但是它们在二次型函数最小化问题上都表现出了相同的学习能力,这说明两者具有本质的联系.As parallel-computational models, both BP （Back Propagation） and Hopfield-type neural networks can be used in the minimization of quadratic functions. BP neural network is substantially different from Hopfield-type neural network in terms of network architecture and learning pattern. However, both neural networks possess a common nature of learning during online minimization of quadratic functions. Simulation results are also given.

关 键 词：二次型函数最小化 BP神经网络 Hopfield类型神经网络 学习同质性 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]